Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan

Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie des logiques techniques, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée pour vous présenter de manière complète le panorama et les tendances de développement de ce domaine.

I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes

1.1 La logique de fusion entre Web3 et AI : comment définir la piste Web-AI

Au cours de l'année passée, la narration IA a connu un succès exceptionnel dans l'industrie Web3, avec des projets IA émergents comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies IA, certains projets n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des jetons sous-jacente n'a pas de lien substantiel avec les produits IA. Par conséquent, ces projets ne font pas partie de la discussion des projets Web3-AI dans cet article.

L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons expliquer le processus de développement de l'IA et les défis auxquels il fait face, ainsi que la manière dont la combinaison de Web3 et de l'IA résout parfaitement les problèmes et crée de nouveaux scénarios d'application.

1.2 Développement et défis de l'IA : de la collecte de données à l'inférence du modèle

La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction linguistique, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome. L'IA est en train de transformer notre façon de vivre et de travailler.

Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous aurez besoin de :

1. Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont exactes. Transformez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui convient bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau relativement faible peut suffire.

3. Entraînement du modèle : il est possible d'utiliser un GPU, un TPU ou un cluster de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la puissance de calcul.

4. Inférence du modèle : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence consiste à utiliser un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, et l'efficacité du modèle est généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.

Comme indiqué sur l'image, après la collecte des données et le prétraitement des données, le choix et l'ajustement du modèle, ainsi que l'entraînement, le modèle entraîné est utilisé pour effectuer des inférences sur l'ensemble de test afin d'obtenir les valeurs prédictives P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Un modèle d'IA pré-entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et obtiennent les résultats de classification.

Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :

Vie privée des utilisateurs : dans un environnement centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.

Obtention de la source de données : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions liées à l'absence d'ouverture des données lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).

Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour ajuster les modèles.

Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.

Revenu des actifs IA : Les travailleurs de l'annotation de données obtiennent souvent un revenu qui ne correspond pas à leurs efforts, et les résultats de recherche des développeurs IA ont également du mal à s'aligner avec des acheteurs en demande.

Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle forme de relation de production, s'adapte naturellement à l'IA, qui représente une nouvelle productivité, permettant ainsi des avancées simultanées en technologie et en capacité de production.

1.3 Synergie entre Web3 et AI : transformation des rôles et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration IA ouverte qui permet aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies IA peut générer encore plus de scénarios d'application innovants et de nouvelles manières d'interagir.

Avec la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs pourra être garantie, et le modèle de crowdsourcing de données favorisera les avancées des modèles d'IA. De nombreuses ressources IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition des revenus équitable pourra être mis en place, incitant ainsi davantage de personnes à promouvoir les progrès de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeux variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, qu'il s'agisse d'experts en IA ou de nouveaux venus souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans ce monde.

II. Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI

Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant également divisée en différents segments. Dans le prochain chapitre, nous procéderons à une analyse approfondie de certains projets représentatifs.

La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.

Couche d'infrastructure :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne AI et la plateforme de développement comme appartenant à la couche d'infrastructure. C'est grâce à ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.

• Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles manières de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus en achetant des NFT représentant des entités GPU.

• AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente entre les ressources IA on-chain et off-chain, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets offrent une plateforme de développement d'agents AI, et permettent également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, représentés par des projets tels que Nimble. Cette infrastructure favorise l'application large des technologies AI dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la vérification, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail accrue.

• Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données crowdsourcées et au traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et les vendre dans le cadre de la protection de la vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants pour réaliser d'énormes profits. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs tels que Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, tandis que xData collecte des informations médias via des plugins conviviaux et permet aux utilisateurs de télécharger des informations sur les tweets.

De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing pour le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.

• Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins doivent être associés à des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches textuelles, les modèles courants incluent RNN et Transformer, sans oublier certains modèles spécifiques ou généraux. La profondeur du modèle requise varie également en fonction de la complexité des tâches, et il est parfois nécessaire d'ajuster le modèle.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de la foule, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des frameworks de calcul, et possèdent la capacité d'entraînement collaboratif.

• Inférence et validation : Après l'entraînement, le modèle génère un fichier de poids de modèle, qui peut être utilisé pour des classifications, des prédictions ou d'autres tâches spécifiques. Ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation, pour vérifier si la source du modèle d'inférence est correcte et s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence. Les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI. Le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche applicative :

Cette couche est principalement une application destinée aux utilisateurs, combinant l'IA et le Web3 pour créer des jeux plus intéressants et innovants. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse des données.

• AIGC : par AIGC